二维材料赋能类脑计算：开启低功耗AI新纪元

导读

随着 AI 算力需求激增，传统计算架构的能耗瓶颈愈发严峻。类脑神经形态计算成为低功耗智能计算的关键。本文综述二维材料在神经形态器件的最新进展，解析多种材料的独特优势与功能，梳理材料、器件、算法协同设计体系，总结技术难题，并展望其在边缘AI、脑机接口、智能视觉等前沿领域的应用前景。

随着人工智能模型日益复杂，算力需求持续攀升，能源消耗成为亟待解决的难题。传统冯·诺依曼架构将存储与计算分离，处理大规模数据时需频繁传输，易导致额外延迟和能耗。相比之下，人脑能以低功耗完成高度并行、动态、自适应的信息处理。受此启发，神经形态计算利用人工神经元和突触模拟生物神经网络，通过事件驱动和存内计算减少数据搬运，为突破传统架构能效瓶颈提供了新方向。

丰富的二维材料为构建“类脑硬件”提供了独特平台。TMDs、h-BN、黑磷和碲烯等材料具有原子级厚度、优异的电学和光电特性以及高度可调的电子结构。借助缺陷、界面和电荷输运调控，二维材料器件可实现连续、可控的电导变化，从而模拟生物突触的学习记忆过程。目前相关器件已能实现STDP、PPF等典型突触行为，为硬件层面类脑信息处理奠定基础。

不同二维材料赋予神经形态器件各具特色的功能。TMDs具有可调带隙、强光响应和丰富缺陷调控能力，适合构建光电突触和忆阻晶体管；h-BN具有大带隙、高击穿强度和低漏电流，在介电集成和高密度器件中优势明显；BP具有高载流子迁移率、明显各向异性和宽光谱响应，可用于光学突触、人工视觉和动态模式识别；碲烯等新兴材料拓展了高迁移率、柔性多功能器件的选择。文章指出，面向实际应用的材料选择需综合考虑可靠性、规模化制备及CMOS兼容性。

在器件层面，二维材料推动人工突触从简单存储功能向感知、记忆、计算一体化发展。忆阻器和忆阻晶体管可通过电导状态变化模拟突触权重，铁电、相变及光电突触等不同路线丰富了类脑处理方式。尤其是二维光电材料，可直接感知光信号并产生可调突触响应，为将视觉感知、记忆与计算集成于同一硬件平台提供了可能。

二维材料构筑下一代神经形态智能系统

材料器件与算法结合，提升智能计算效率

值得注意的是，本文并未孤立讨论材料和器件性能，而是建立了“材料特性—器件架构—学习模式—应用场景”的联系。作者系统讨论了二维材料器件如何与SNN、CNN和RNN等机器学习模型结合。例如，器件中的STDP行为可用于SNN的时间依赖学习，而连续可调的电导状态则用于表达和更新神经网络中的突触权重。通过材料、器件与算法的协同设计，部分信息处理过程可直接在硬件完成，减少传统计算体系中的频繁数据传输，为更高效的AI计算提供硬件路径。

这种融合让二维材料神经形态计算拥有更广阔的应用空间。在边缘AI和可穿戴电子中，低功耗器件有望直接在传感端处理信息，减少对云端和传输的依赖；在脑机接口中，二维材料的超薄和柔性特性为神经信号感知与处理提供新选择；在智能视觉系统中，光电突触可融合光感知与类脑计算。同时，二维材料中的隧穿、自旋等量子效应也为混合量子-经典神经形态架构提供新方向。

不过，从实验室单器件演示走向真正的大规模神经形态硬件，二维材料仍面临一系列挑战。目前许多研究仍停留在单器件或小规模阵列阶段，大面积材料的均匀生长、缺陷控制和批次一致性需进一步提升。器件间的开关阈值和电导状态差异，以及长期电导漂移、保持稳定性和环境退化等问题，可能影响大规模阵列的计算精度和可靠性。未来需在晶圆级制备、缺陷钝化、精确掺杂、界面与封装工程及CMOS兼容集成上持续突破。

总体来看，二维材料之于神经形态计算，不仅仅是为现有芯片寻找更薄材料。更重要的是其丰富的电子、光电、机械乃至量子特性，能与类脑计算所需的感知、记忆、学习和信息处理过程深度结合。本文通过建立从材料、器件到算法和应用的系统联系，为二维材料神经形态智能发展提供了清晰框架。随着规模化制备、器件一致性和系统集成等关键问题逐步解决，二维材料有望推动类脑计算迈向更大规模、更低功耗和更具自适应能力的智能系统，服务于边缘AI、穿戴技术、BCI、个性化健康监测及量子启发计算等前沿领域。

论文信息：

标题:2D Materials Powering Neuromorphic Intelligence

作者：Jamal Kazmi, Waqas Ahmad, Muhammad Naqi, Yawar Abbas, Aumber Abbas, Peijian Wang, Mohd Ambri Mohamed, Federico Rosei, Zhiming M. Wang & Hongwei Song

期刊名称:Nano-Micro Letters

DOI:https://doi.org/10.1007/s40820-026-02253-1